深度学习框架及学习流程

一、人工智能

人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括语音识别、图像识别、机器人、自然语言处## 标题理、智能搜索和专家系统等。
人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也有可能超过人的智能
简单来说，人工智能就是利用交叉学科对于人的能力和意识进行模仿和超越。
那么，人工智能、机器学习、深度学习的关系是什么样呢？
人工智能主要的数据方向，从Data数据，进而创建训练模型Model，再利用模型不断预测，中间会根据预测结果不管调整模型。

二、数据挖掘

数据挖掘(Data Mining)，顾名思义就是从海量数据中“挖掘”隐藏信息，按照教科书的说法，这里的数据是“大量的、不完全的、有噪声的、模糊的、随机的实际应用数据”，信息指的是“隐含的、规律性的、人们事先未知的、但又是潜在有用的并且最终可理解的信息和知识”。在商业环境中，企业希望让存放在数据库中的数据能“说话”，支持决策。所以，数据挖掘更偏向应用。
数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现上述目标。

三、机器学习

机器学习(Machine Learning)是指用某些算法指导计算机利用已知数据得出适当的模型，并利用此模型对新的情境给出判断的过程。

机器学习的思想并不复杂，它仅仅是对人类生活中学习过程的一个模拟。而在这整个过程中，最关键的是数据。

任何通过数据训练的学习算法的相关研究都属于机器学习，包括很多已经发展多年的技术，比如线性回归(Linear Regression)、K均值(K-means，基于原型的目标函数聚类方法)、决策树(Decision Trees，运用概率分析的一种图解法)、随机森林(Random Forest，运用概率分析的一种图解法)、PCA(Principal Component Analysis，主成分分析)、SVM(Support Vector Machine，支持向量机)以及ANN(Artificial Neural Networks，人工神经网络)。

四、深度学习

深度学习(Deep Learning)的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征****形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。

深度学习框架发展史

我们来看自2012年以来各深度框架也开始崭露头角，从Caffee到现在为大家所熟知的TensorFlow、PyTorch等框架。

五、 机器（深度）学习应用的领域

机器（深度）学习应用有很多熟知的领域，比如垃圾邮件检查、产品推荐、用户归类、图形/视频识别、欺诈交易（检测）、需求预测、虚拟助理、情感分析、自动客服等领域。其中很多框架也已经广泛应用于我们熟悉的很多领域，比如像图形/视频识别，我们所用到的拍图识物，AI智能语音客户。虚拟助理比如微软的Cortana (小娜)，Apple 的siri等，可以说这些领域在极大的受到机器学习的影响。

六、机器（深度）学习项目流程

机器（深度）学习主要为了解决业务问题，那就需要从具体需求出发，针对具体场景，具体问题，建设相应模型。
数据训练：这个时候模型建立成功之后，就需要大量的数据来训练我们的模型。举例，如果需要搭建一个人脸识别门禁的系统，那么我们就需要收集不同环境、光线、角度、人脸肤色、人脸有没有其他遮挡的图片数据，来训练我们建立的模型，这个过程中，肯定会出现某些参数不准确，识别率低的情况，这就需要不断调整模型反复更改迭代模型，并分析效果不佳的原因，比如摄像头距离人脸的距离、人脸在摄像头前停留的时间长度等。
部署： 模型创建完成之后，我们需要测试数据来检验我们的模型效果，经过几批数据的训练之后，就可以将训练好的模型嵌入到门禁系统中，进行实际的测试对比，并根据收到的人脸识别失败用例，进行回归调优。
基于需求问题，建模，并收集数据，训练数据，在实际的应用系统中检测实际的模型，并根据失败用例进行回归调优。这样一个实际的深度学习项目